1. No category

NST-projektet ”Implementeringen af modeller til brug for vandforvaltningen”
Modeller for Danske Fjorde og Kystnære Havområder
– del 3
Statistiske modeller og metoder til
bestemmelse af indsatsbehov
Notat fra DCE - Nationalt Center for Miljø og Energi
Dato: 28. april 2015
Karen Timmermann, Jesper Christensen, Ciarán Murray & Stiig Markager
Institut for Bioscience
Rekvirent:
Naturstyrelsen
Antal sider: 26
Faglig kvalitetssikring: Jens Würgler Hansen
Kvalitetssikring, centret: Poul Nordemann Jensen
Tel.: +45 8715 0000
E-mail: [email protected]
http://dce.au.dk
Indhold
Baggrund
3
1
Metoden – trin for trin
4
2
Kort om de statistiske modeller
5
2.1
2.2
2.3
2.4
5
6
7
8
3
Relationer mellem tilførsler og indikatorer
13
4
Beregning af indsatsbehov for den enkelte indikator
15
4.1
4.2
4.3
4.4
16
16
17
18
5
6
7
2
Områder dækket af statistiske modeller
Modellerede indikatorer og forklaringsvariable
Metode til opstilling af statistiske modeller
Modelvalidering
Indsatsbehov for klorofylindikatoren
Indsatsbehov for lyssvækkelsesindikatoren
Indsatsbehov for iltsvindsindikatorerne
Indsatsbehov for N-begrænsningsindikatoren
Samlet indsatsbehov for vandområderne
20
5.1
5.2
5.3
20
21
21
Kobling af indikatorer
Gruppering af vandområder
Resultater
Meta-analyse
23
6.1
6.2
23
24
Generelle principper
Resultater
Referencer
25
Baggrund
DCE og DHI har for Naturstyrelsen udviklet modelværktøjer til brug i vandforvaltningen, herunder udarbejdelsen af 2. generations vandområdeplaner.
Den udviklede værktøjskasse omfatter statistiske og mekanistiske modeller,
samt metoder til analyse af vandområder, der ikke er dækket af disse modeller. DHI har stået for udviklingen af mekanistiske modeller, mens DCE har
udviklet statistiske modeller.
De udviklede modeller og deres anvendelse er beskrevet i rapportserien
”Implementeringen af modeller til brug for vandforvaltningen. Modeller for Danske
Fjorde og Kystnære Havområder”. Serien omfatter tre rapporter. Del 1 beskriver
de overordnede metoder, som er udviklet og anvendt til bestemmelse af
målbelastning for de 119 danske marine vandområder, som er underlagt
vandrammedirektivet. Del 2 beskriver d e m ekanistiske m od eller og d en m etod e, d er er ud viklet til bestem m else af ind satsbehov ved brug af d isse m od eller, og del 3 beskriver de statistiske modeller og den metode, der er udviklet til bestemmelse af indsatsbehov ved brug af de statistiske modeller.
Denne rapport er del 3 i serien. Rapporten beskriver de statistiske modeller
og metoder, der er udviklet til at beregne indsatsbehov i danske fjorde og
kystnære havområder.
3
1
Metoden – trin for trin
Beregningen af indsatsbehov for det enkelte vandområde består i at udregne
den reduktion i den nuværende næringsstoftilførsel, som netop vil sikre, at
et vandområde opnår ”god økologisk tilstand”. Kriteriet for god økologisk
tilstand vurderes ud fra en række miljøindikatorer og tilhørende grænseværdier, som definerer grænsen mellem god og moderat tilstand (G-M
grænseværdi, som også benævnes miljømål). For de vandområder, hvor der
er opstillet statistiske modeller, benyttes modellerne til at beregne det indsatsbehov, som er nødvendig for, at hver indikator ændres fra den nuværende status til G-M grænseværdien. Det samlede indsatsbehov for hvert
vandområde beregnes derefter som et vægtet gennemsnit af indsatsbehov
for de enkelte indikatorer og udtrykkes som % ændring i nuværende (20072012) tilførsel.
Nedenfor er den overordnede metode til beregning af indsatsbehov på basis
af de statistiske modeller skitseret, og i de efterfølgende kapitler beskrives de
enkelte punkter mere uddybende.
Figur 1: Oversigt over metode til beregning af indsatsbehov for de vandområder, hvor der er opstillet statistiske modeller.
4
2
Kort om de statistiske modeller
2.1
Områder dækket af statistiske modeller
De statistiske modeller beskriver empiriske sammenhænge mellem næringsstoftilførsler fra dansk land, klimatiske forhold mm (se tabel 2) og miljøindikatorerne; koncentration af total kvælstof (TN) og total fosfor (TP), klorofylkoncentration (Chl a) og lyssvækkelse ned gennem vandsøjlen (Kd) (se tabel
1). Der er blevet udviklet statistiske modeller for 29 kystnære overvågningsstationer, som repræsenterer 22 vandområder (Figur 2). På disse 29 moniteringsstationer eksisterer lange tidsserier (> 15 år) for både forklaringsvariable (tilførsler, klima) og indikatorer, hvilket er en forudsætning for, at der kan
opstilles robuste statistiske modeller. I udviklingen af modellerne er der
brugt data fra perioden 1990-2012.
Figur 2: Kort over vandområder, hvor datatidsserierne er lange nok til, at
der kan opstilles statistiske modeller for én eller flere af indikatorerne total kvælstof (TN), total fosfor (TP), klorofyl (Chl a) og lyssvækkelsen (Kd).
Modellerne beskriver år til år variationer i en given indikator, som følge af
ændringer i næringsstoftilførsler og klimatiske forhold, og de er udviklet
specifikt for hvert vandområde.
5
2.2
Modellerede indikatorer og forklaringsvariable
Støtteparametrene TN og TP er udvalgt, da det er de indikatorer, der hurtigst og mest konsistent responderer på ændring i næringsstoftilførslen. Klorofyl er et udtryk for fytoplankton biomassen i vandet og er en indikator for
kvalitetselementet ”fytoplankton” i vandrammedirektivet. Klorofyl er også
adresseret med de statistiske modeller sammen med lyssvækkelse (udtrykt
ved lyssvækkelseskoefficienten Kd). Lyssvækkelsen er både en vigtig general
indikator for marine økosystemers tilstand og den mest betydende faktor for
ålegræssets dybdegrænse [1]. Ålegræssets dybdegrænse er en vigtig indikator for eutrofiering og er derudover også en indikator for kvalitetselementet
”bundvegetation” i vandrammedirektivet, men pga. den ofte lange responstid i ålegræssets (gen)etablering, er ålegræssets dybdegrænse ikke altid en
god indikator til løbende at vise udviklingen i miljøtilstand. Den lange responstid betyder også, at ændringen i dybdegrænsen af ålegræs på en given
lokalitet ikke umiddelbart kan beskrives med statistiske modeller. Derfor
bruges lyssvækkelse som proxy for ålegræssets potentielle dybdegrænse.
Tabel 1: Oversigt over de indikatorer, der er udviklet statistiske modeller for. I
udviklingen af modellerne er data for de enkelte indikatorer tidsintegreret over
en given periode, som angivet i tabellen.
Indikator
Total kvælstof (TN)
Total fosfor (TP)
Klorofyl a (Chl a)
Lyssvækkelseskoefficient (Kd)
-proxy for ålegræsdybdegrænse
Kvalitetselement/
Støtteparameter
Næringsstof
Næringsstof
Fytoplankton
Lys/ålegræs
Enhed
Periode
mmol m-3
mmol m-3
mmol m-3
m-1
Jan-dec
Jan-dec
Maj-sept
Mar-juni og
Juli-sept
Både klorofylindikatoren og indikatoren for ålegræssets dybdegrænse er
blevet EU-interkalibreret, hvilket betyder, at Danmark og andre EU-lande er
blevet enige om miljømål for disse indikatorer. Den interkalibrerede klorofylindikator beregnes som den gennemsnitlige klorofylkoncentration i perioden 1. maj - 30. september, og derfor anvendes samme periode i den statistiske modellering. For lyssvækkelsen (Kd) benyttes gennemsnit af målinger i
perioden marts-juni og juli-september, således at den samlede periode fra
marts til september dækker den primære vækstperiode for ålegræs. For TN
og TP benyttes årsmiddelværdier.
Data for de modellerede indikatorer kommer alle fra det nationale overvågningsprogram (NOVANA).
I udviklingen af de statistiske modeller er der benyttet en række forklaringsvariable (presfaktorer), som kan have betydning for de modellerede indikatorer. Forklaringsvariablerne udgøres af næringsstoftilførsler (N og P) samt
klimatiske, kemiske og fysiske variable såsom vandtemperatur, salinitet,
vind og lysindstråling.
6
Tabel 2: Oversigt over de forklaringsvariable, som er benyttet i udviklingen af de statistiske modeller.
Forklaringsvariabel
TN-tilførsel
TP-tilførsel
Ferskvandstilførsel
Vindstres
Indstråling
Salinitet
Vandsøjlestabilitet
Overfladevandstemperatur
Enhed
kg periode-1
kg periode-1
m3 periode-1
(m s-1)3
µmol fotoner m-2 s-1
‰
s-1
⁰C
Periode
4, 8 eller 12 mdr.
4, 8 eller 12 mdr.
4, 8 eller 12 mdr.
4, 8 eller 12 mdr.
4, 8 eller 12 mdr.
4, 8 eller 12 mdr.
4, 8 eller 12 mdr.
4, 8 eller 12 mdr.
I udviklingen af modellerne er der udelukkende brugt danske landbaserede
tilførsler af N og P. Data for N- og P-tilførslerne er, ligesom ferskvandstilførslerne, baseret på opgørelser fra DCE og opgjort som tilførsler af hhv. TN,
TP og ferskvandstilførslen (Q) pr. måned til 4.ordens havområder. De resterende data stammer fra DMI og det marine overvågningsprogram.
2.3
Metode til opstilling af statistiske modeller
Hovedprincippet i udviklingen af de statistiske modeller består i at udvælge
de forklaringsvariable (næringsstoftilførsler, klima m.m.), som bedst beskriver en given indikator (dvs. klorofyl a, Kd, TN og TP). I modsætning til de
modelerede indikatorer er tidsperioden for forklaringsvariablerne ikke fastlagt på forhånd. Forklaringsvariablerne er inddelt i periodelænger på 4, 8 og
12 måneder. Perioderne strækker sig som udgangspunkt bagud i tid fra den
måned, hvor den modellerede indikator periode slutter. Derefter rykkes perioden stepvis en måned bagud, indtil perioden starter i januar året før. For
hver forklaringsvariabel er der således op til 43 månedsintervaller, som
dækker fra januar året før til den måned, hvor perioden for indikatoren ender.
Datasættet for indikatoren inddeles i et kalibreringsdatasæt og et valideringsdatasæt. Udvælgelsen af de forklaringsvariable, der skal indgå i den
endelige model for indikatoren sker ved en iterativ proces baseret på en
krydsvalideret multipel lineær regressions metode (MLR) med løbende tilbageholdelse af den variabel som giver den største forklaringskraft (laveste
modelfejl målt ved Root Mean Square Error of Cross Validation, RMSECV). I
første iteration udvælges den forklaringsvariabel, som forklarer den største
andel af variationen i indikatoren (lavest RMSECV). Denne variabel bliver
derefter udelukket og blandt de resterende forklaringsvariable udvælges den
variabel med lavest RMSECV. Når en variabel udvælges til at indgå i modellen udelukkes alle andre tidsperioder for denne variabel også, således at
f.eks N tilførsel højest kan udvælges én gang. Det betyder dog ikke, at andre
perioder eller kombinationer ikke kan forklare indikatoren, men det er kombinationen mellem periode og forklaringsvariabel med den største forklaringskraft, der benyttes fremadrettet. Det endelige antal af forklaringsvariable i modellen bestemmes ud fra en vægtning mellem forklaringskraft baseret på kalibreringsdatasættet og forklaringskraften, når et uafhængigt dataset
(valideringsdata) inkluderes. Når forklaringsvariablene er blevet udvalgt
parametriseres den endelige model ved brug af hele datasættet for indikatoren, dvs både kalibreringsdatasættet og valideringsdatasættet. For en mere
7
detaljeret forklaring af den anvendte metode til opstilling af de statistiske
modeller henvises til rapporterne [5] og [7].
I figur 3 ses en skematisk beskrivelse af den anvendte metode til opstilling af
de statistiske modeller.
Figur 3: Skematisk oversigt over metoden benyttet til at opstille statistiske
modeller for indikatorerne: total kvælstof (TN), total fosfor (TP), klorofyl
(Chl a) og lyssvækkelse (Kd). Datasættet for hver indikator opdeles i hhv.
et kalibrerinsdatasæt (3/4 af det totale datasæt) og et valideringssæt (1/4 af
det totale datasæt). Ved hjælp af multipel lineær regression (MLR) på kalibreringsdatasættet foretages den 1.parameterudvælgelse. Derefter laves
PLS regression på de udvalgte variable og modellen evalueres ved brug af
valideringsdata. Hvis modellen godkendes sker den endelige model parametrisering ved brug af det samlede datasæt og ellers revideres parametervalget.
De statistiske modeller er en videreudvikling af et koncept, som har været
anvendt siden 2003 for en lang række marine områder i Danmark. Metoden
har således indgået som en del af det faglige grundlag for miljøindsatsen i
Mariager Fjord, Randers Fjord, Horsens Fjord og Limfjorden [2]-[7] og været
anvendt i en række videnskabelige publikationer [8]-[11].
2.4
Modelvalidering
De opstillede modeller er blevet valideret ved at sammenligne modelresultaterne med observerede data. Til sammenligningen er der benyttet følgende
statistiske mål:
 Den gennemsnitlige absolutte procentvise afvigelse mellem modellerede og observerede indikatorværdier bestemt ved:
1
(𝑁 ∑𝑁
𝑖=1 |
𝑚𝑜𝑑𝑖 −𝑜𝑏𝑠𝑖
|)
𝑜𝑏𝑠𝑖
∗ 100.
Dette mål er et udtryk for, hvor præcist modellen i gennemsnit kan
ramme de observerede værdier.
8
 Determinationskoefficienten (R2) for korrelation mellem modellerede
og observerede indikatorværdier:
𝑅2 = 1 −
2
∑𝑁
𝑖=1(𝑚𝑜𝑑𝑖 −𝑜𝑏𝑠𝑖 )
𝑁
2
̅̅̅̅̅
∑𝑖=1(𝑜𝑏𝑠𝑖 −𝑜𝑏𝑠)
.
Dette mål er et udtryk for, hvor stor en del af den observerede variation, der kan beskrives af modellen.
Derudover er der lavet forskellige kontrol plots (tidsserier, residual– og scatterplots - ikke vist), som danner baggrund for en vurdering af, om der forekommer systematiske afvigelser mellem model og målinger enten over tid
eller som funktion af indikatoren.
Den samlede vurdering af modellerne er baseret på:

Den absolutte procentvise afvigelse mellem model og observation. Kriteriet for dette statistiske mål er tentativt sat til højst 30 %.


R2 værdien - kriteriet for dette statistiske mål er tentativt sat til mindst 0,4.
Om der forekommer systematiske afvigelser mellem model og observationer enten over tid eller som funktion af størrelsen på indikatorværdien.
Der er lagt særlig vægt på modellens evne til at beskrive data fra 2005 og
frem.
Om modellen i tilstrækkelig grad fanger år-til-år variationer.
Om antallet af data punkter, som indgår i modellen, er tilstrækkeligt. Her
er minimumsgrænsen tentativt sat til 15 datapunkter, hvor hvert datapunkt repræsenterer gennemsnit af målinger for en sæson (år), hvor der
er tilstrækkeligt hyppige målinger.
Om modellen fanger særlige fænomener som f.eks. iltsvindshændelser.



I tabel 3 er vist resultaterne fra modelvalideringen for de fjordtyper, som er
dækket af de statistiske modeller. I tabellen er også angivet de forklaringsvariable, som giver den største forklaringskraft for de enkelte indikatorer.
9
Tabel 3: Oversigt over modellerede indikatorer, de udvalgte forklaringsvariable/presfaktorer samt valideringsresultater for fjordmodellerne. For indikatorerne angiver TN koncentrationen af total kvælstof, TP
angiver koncentrationen af total fosfor, Chl. a angiver klorofylkoncentrationen, og Kd angiver lyssvækkelsen. For forklaringsvariablerne bruges forkortelserne vind, temp, salt, irr, BV, Q, N-load og P-load for hhv.
vindstres, vandtemperatur, salinitet, lysindstråling, vandsøjlestabilitet, ferskvandstilførsel, kvælstoftilførsel og fosfortilførsel. I tabellen er de statistiske mål for den gennemsnitlige absolutte procentvise modelafvigelse (Afvigelse %) samt determinationskoefficienten (R2) angivet sammen med en vurdering af, om
der forekommer systematiske afvigelser (sys. afv.) mellem model og observationer. Endvidere er der foretaget en samlet vurdering af modellerne, hvilket er angivet med hhv. grøn, som betyder god modelgengivelse af data og tillid til, at modellen beskriver systemet korrekt og gul, som betyder, at man skal være
varsom ved anvendelse af modellen.
st. nr.
Navn
Lovns
10
3728
Skive
3727
Riisgårde
3726
Nissum
3702
Løgstør
3708
Thisted
3723
Kaas
3705
Nibe
3711
Randers
230905
Randers
230902
Isefjord
10003
Forklarings- Afvigelse
Indikator
variable
%
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd1
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
R2
-
samlet
sys. afv. vurdering
N-load
temp, vind
N-load, vind
temp, vind, salt
N-load, irr, BV
temp, vind
N-load, irr, vind
N-load, salt, irr
N-load, salt, irr
P-load, irr
vind
salt, vind
N-load, irr
P-load
N-load
BV, N-load
N-load, temp
P-load, temp, irr
N-load, irr
N-load, salt
N-load
P-load, BV
BV, N-load
11.7
6.8
27.3
10.8
15.4
11.7
31.5
10.5
5.7
4.4
24.2
11.4
25.9
11.3
21.6
10.9
18.4
8.9
27.7
13.1
9.2
9.6
45.3
0.68
0.83
0.54
0.45
0.55
0.64
0.27
0.53
0.74
0.92
0.54
0.56
0.32
0.18
0.44
0.31
0.24
0.58
0.48
0.46
0.39
0.61
0.49
nej
nej
nej
nej
ja
ja
ja
nej
nej
nej
nej
nej
ja
ja
nej
ja
ja
ja
nej
nej
ja
nej
nej
N-load
P-load, irr
irr, N-load
N-load, salt
17.3
5.4
12.1
14.4
0.31
0.76
0.63
0.31
ja
ja
nej
ja
irr, N-load
26.8
0.51
nej
N-load, vind
P-load, vind
Q, vind
N-load, salt, irr
N-load
P-load, BV
N-load, irr
N-load, BV, irr
N-load
P-load, irr
N-load, vind
N-load, vind, irr
6.2
6.5
20.1
12.2
7.6
5.4
23.7
9.6
9.5
15.0
25.8
9.8
0.86
0.72
0.44
0.63
0.76
0.66
0.74
0.62
0.53
0.6
0.48
0.44
nej
nej
nej
nej
nej
nej
ja
nej
nej
ja
nej
nej
Tabel 3 fortsat
st. nr.
Navn
Horsens
5790
Horsens
6489
Roskilde
60
Vejle
4273
Mariager
5503
Kolding
3350
Åbenrå
Flensborg
15
KFF2
Odense
17
Odense
8
Ringkøbing
1
Forklarings- Afvigelse
Indikator
variable
%
TN
TP
Chl a
Kd2
TN
TP
Chl a
kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
Kd2
TN
TP
Chl a
kd2
TN
TP
Chl a
Kd2
R2
-
samlet
sys. afv. vurdering
N-load, temp
P-load, BV
N-load, irr
N-load, salt, BV
N-load, temp
P-load, temp
N-load,P-load,salt
N-load
N-load, temp
P-load, salt
N-load, vind
N-load, salt, irr
N-load
P-load, BV
P-load, vind, irr
irr, BV
N-load
irr,vind
9.9
9.2
13.0
7.5
6.1
6.9
14.3
7.2
8.7
16.2
17.7
10.3
12.6
2.6
16.8
7.7
9.7
8.7
0.72
0.58
0.66
0.66
0.75
0.62
0.5
0.46
0.43
0.89
0.77
0.69
0.52
0.97
0.71
0.69
0.29
0.46
ja
nej
nej
nej
nej
ja
nej
nej
ja
nej
nej
nej
ja
nej
nej
nej
ja
nej
N-load
BV, salt
N-load, temp
P-load,salt
P-load, irr
N-load, irr, vind
N-load
P-load, BV
N-load, vind
vind, temp
N-load, vind
P-load, irr
N-load, salt
N-load, vind
N-load, irr, vind
P-load, salt
P-load, temp, salt
17.8
7.9
15.4
15.6
17.5
8.4
17.1
9.4
34.2
6.4
10.9
19.3
8.9
7.3
5.1
20.8
16.1
0.76
0.71
0.51
0.28
0.54
0.47
0.45
0.81
0.54
0.65
0.72
0.51
0.2
0.62
0.89
0.58
0.67
nej
nej
ja
ja
nej
nej
ja
nej
nej
nej
ja
ja
nej
nej
ja
nej
ja
N-load, vind, BV
P-load, vind
N-load
N-load, vind, temp
2.8
16.4
19.0
14.7
0.96
0.09
0.52
0.23
nej
ja
nej
ja
11
De forklaringsvariable, som giver den bedste beskrivelse af indikatorerne på
de enkelte moniteringsstationer er angivet i tabel 3. Som det ses af tabellen er
fosfortilførslerne styrende for koncentrationen af total fosfor (TP) på hovedparten af de undersøgte moniteringsstationer. En undtagelse herfra er stationerne i Skive fjord og Lovns bredning, hvilket tilskrives det tilbagevendende
iltsvind og den deraf relaterede fosforfrigivelse fra sedimenterne. Af tabel 3
fremgår ligeledes at kvælstoftilførslen på mange af stationerne er styrende
for koncentrationen af total kvælstof (TN) samt for klorofyl (Chl a) og Kdindikatoren i sensommeren. Det er dog som hovedregel fosfortilførslen, der
styrer klorofylkoncentrationen i forårsperioden (resultater ikke vist), men da
denne periode ikke er inkluderet i den interkalibrerede klorofylindikator, er
det kvælstoftilførslen, der oftest udvælges som forklaringsvariabel for klorofylkoncentrationen.
Samlet set er der en gennemsnitlig absolut afvigelse på ca. 13 % mellem de
modellerede og observerede indikatorværdier, hvor TN-, TP- og Kdmodellerne har en relativt lav afvigelse på ca. 11 %, mens klorofylmodellerne
generelt har en noget højere afvigelse på ca. 20 %. Determinationskoefficienterne for alle modeltyperne har et gennemsnit på 0,56, og her er der ikke
umiddelbar forskel på indikatorerne. TN- modellerne har generelt en tendens til systematiske afvigelser over tid, idet de høje TN-koncentrationer observeret i starten af 1990’erne underestimeres, mens de lave TNkoncentrationer i sidste del af perioden overestimeres. Dette ses ikke i samme grad for de resterende indikatorer, hvilket tilskrives tidsforsinkelsen pga.
ophobning af organisk bundet kvælstof i sedimenterne.
12
3
Relationer mellem tilførsler og indikatorer
For de modeller, hvor N-tilførslen er udvalgt som forklaringsvariabel, kan
der udledes en lineær relation mellem indikatorværdien og N-tilførslen
(skitseret på figur 4).
Figur 4: Skitse af lineær relation mellem N-tilførsel og en miljøindikator.
Relationen er opstillet på baggrund af observationer (trekanter) og ekstrapoleret til miljømålsværdien for indikatoren. Ud fra den lineære relation
og kendskab til den nuværende tilførsel og miljømålet kan man beregne
en målbelastning og et indsatsbehov (ændring i forhold til nuværende tilførsel).
Hældningen af denne relation angiver, hvor følsom indikatoren er overfor
ændringer i N-tilførsel. I det følgende er hældningen anvendt med enheden
% (indikator)/% (tilførsel), så den beskriver hvor mange % indikatorværdien
ændres , når tilførslerne ændres 1% . Ud fra hældningen og kendskab til den
nuværende (2007-2012) status værdi af indikatoren samt miljømålet (grænseværdi mellem god og moderat tilstand) kan man beregne indsatsbehovet i
% af den nuværende (2007-2012) på følgende vis:
𝑆𝑡𝑎𝑡𝑢𝑠−𝑀𝑖𝑙𝑗ø𝑚å𝑙
1
) ∙ (ℎæ𝑙𝑑𝑛𝑖𝑛𝑔)
𝑆𝑡𝑎𝑡𝑢𝑠
𝑖𝑛𝑑𝑠𝑎𝑡𝑠𝑏𝑒ℎ𝑜𝑣 = 100 ∙ (
(1)
hvor Status angiver den nuværende (2007-2012) indikator værdi, Miljømål
angiver den indikatorværdi som skal opnås og hældning beskriver hvor meget indikatorværdien ændres som følge af ændringer i tilførslerne. Med den
opstillede formel bliver det resulterende indsatsbehov udtrykt i % af den
nuværende (2007-2012) tilførsel.
De opstillede modeller benyttes til at udlede hældningskoefficienten som beskriver relationen mellem tilførsler og indikatorværdi (Fig. 4) og som indgår
i beregningen af indsatsbehovet (”hældning” i ligning 1). Modellerne kan
endvidere benyttes til at beregne indikatorernes status (nuværende) værdi,
som ligeledes indgår i beregningen af indsatsbehov (”Status” i ligning 1).
Når det er muligt benyttes imidlertid faktiske målinger i stedet for modelbe13
regninger til at fastlægge statusværdien. Herved reduceres usikkerhederne
på beregning af indsatsbehovet. Den nuværende værdi (status) for miljøindikatorerne er beregnet for perioden 2007-2012 og det resulterende indsatsbehov er derfor også relateret til tilførslerne i perioden 2007-2012.
De miljømål, som er benyttet til beregning af indsatsbehov for de enkelte indikatorer, er beskrevet i kapitel 4.
For de indikatorer, hvor der enten ikke kan opstilles modeller, eller hvor Ntilførslen ikke er udvalgt som forklaringsvariabel i modelopstillingen, beregnes et eventuelt indsatsbehov ved en metaanalyse, som beskrevet i kapitel 6.
Det beregnede indsatsbehov er baseret på modeludledte relationer mellem
indikatorværdi og næringsstoftilførsler (”hældning” i formel 1). Da modellerne er opstillet, kalibreret og valideret i en periode med relativt høje næringsstoftilførsler er beregningen af indsatsbehovet afhængig af, at de fundne relationer (hældningskoefficienter) mellem indikatorer og N-tilførsler ikke
ændres over tid f.eks. som følge af regimeskift, klimaændringer mm. Det er
imidlertid ikke muligt at forudsige om og evt. hvornår der vil indtræffe f.eks.
regimeskift bl.a. fordi det empiriske grundlag for oliogotrofieringsprocessen
er mangelfuldt og derfor er det vigtigt løbende at monitere systemerne og
sikre at model prædiktionerne er valide.
14
4
Beregning af indsatsbehov for den enkelte indikator
Der er benyttet seks forskellige indikatorer i beregningerne af det samlede
indsatsbehov. Indikatorerne er valgt så de ”måler” nogle af de elementer,
som har væsentlig betydning for tilstanden af marine økosystemer. Udover
de interkalibrerede indikatorer for klorofyl og ålegræssets (potentielle) dybdegrænse er der suppleret med indikatorer for hhv. iltsvind, sæsonfordelingen af klorofyl og opløst uorganisk fosfor (DIP), som er indikationer på iltsvind samt en indikator for kvælstofbegrænsning, der måler antallet af dage,
hvor koncentrationen af opløst uorganisk kvælstof (DIN) er begrænsende for
fytoplanktonvæksten. De seks indikatorer er beskrevet i tabel 4.
Tabel 4: Oversigt over indikatorer og tilhørende miljømål, som er benyttet i beregningerne af indsatsbehov udført med de statistiske modeller.
Indikator
Beskrivelse
Beregningsmetode
Miljømål
Klorofyl
Mål for biomassen af fytoplankton
Beregnes som gennemsnit af Chl a
koncentrationen i perioden majsept.
Lyssvækkelse
(Kd)/Ålegræsdybdegrænse
Mål for vandets klarhed –
benyttes som en generel
indikator for områdets
økologiske tilstand og
som proxy for ålegræssets
dybdegrænse
Dage med iltsvind
Gennemsnit af Kd-målinger i perioden marts-sept.
Beregnet ud fra ensemble
modelleret referenceværdi og
interkalibreret EQR værdi.
Afhænger af typen af marint
område [12]
Fastsættes ud fra miljømål
for ålegræsdybdegrænse
under antagelse om lyskrav
på 14% af overfladeindstrålingen ([1],[13]-[16]). Vandområde specifik
Indsatsbehov, hvis
der er kraftigt iltsvind ≥ 10 %
af tiden ELLER, hvis
der er moderat iltsvind ≥ 50
% af tiden, da begge forhold
vil påvirke bl.a. bundfauna
[17]- [18]
Iltsvind
Sæson
fordeling af
uorganisk opløst fosfat
(DIP)
Chl a’s sæson
fordelings
N-begrænsning
Mål for om der er fosforfrigivelse fra sedimentet i
sensommeren som følge
af iltsvind
Mål for om væksten af
fytoplankton er påvirket
af næringsstoffrigivelse
fra sedimentet forårsaget
af iltsvind.
Dage med DINbegrænsning. Indikatoren
er et mål for, om væksten
af fytoplankton er kvælstofbegrænset
Andel af tiden, hvor iltkoncentration er under hhv. 4 mg/L og 2
mg/L, i den måned, hvor antallet
af dage med lave iltkoncentrationer er højest. Der bruges 6 års
data til beregning af månedsfrekvenser. Der fremkommer én
indikator værdi pr. 6. år
Beregnes som forholdet mellem
DIP-koncentrationen i perioden
juli-sept. og DIP-koncentrationen
i perioden jan.-dec.
Beregnes som forholdet mellem
Chl a-koncentrationen i perioden
juli-sept. og Chl akoncentrationen over hele året.
Beregnes som antallet af dage pr.
år, hvor DIN-koncentration er
mindre end 2 umol/L [21]-[22]
Der beregnes et indsatsbehov, hvis koncentrationen af
DIP i sensommeren (julisept.) er større end årsmiddelværdien [19],[20]
Der beregnes et indsatsbehov, hvis koncentrationen af
Chl a i sensommeren (julisept.) er større end årsmiddelværdien [19],[20]
Der beregnes et indsatsbehov, hvis DIN- begrænsningen er mindre end 150 dage
for fjorde eller mindre end
200 dage for åbne områder.
15
4.1
Indsatsbehov for klorofylindikatoren
Klorofylindikatoren, som er et mål for fytoplankton biomassen og knyttet til
kvalitetselementet ”fytoplankton”, er beregnet som et gennemsnit af klorofylmålinger i perioden maj-september, i overensstemmelse med den interkalibrerede klorofylindikator. Miljømålet er bestemt ved ensemble-modellering
af klorofylkoncentrationen i en referencesituation, hvorefter den EUinterkalibrerede Ecological Quality Ratio (EQR) værdi på 0,6, som beskriver
forholdet mellem referenceværdien og G-M grænseværdien er benyttet til at
beregne G-M grænseværdien [12]. Det indsatsbehov, som giver god tilstand
for klorofyl, beregnes direkte ud fra de opstillede relationer mellem Ntilførsel og klorofylindikatoren og ved brug af statusværdi og miljømål.
𝑖𝑛𝑑𝑠𝑎𝑡𝑠𝑏𝑒ℎ𝑜𝑣𝑘𝑙𝑜𝑟𝑜𝑓𝑦𝑙 = 100 ∙ (
4.2
𝑠𝑡𝑎𝑡𝑢𝑠𝑘𝑙𝑜𝑟𝑜𝑓𝑦𝑙 −𝑚𝑖𝑙𝑗ø𝑚å𝑙𝑘𝑙𝑜𝑟𝑜𝑓𝑦𝑙
𝑠𝑡𝑎𝑡𝑢𝑠𝑘𝑙𝑜𝑟𝑜𝑓𝑦𝑙
1
) ∙ (ℎæ𝑙𝑑𝑛𝑖𝑛𝑔
𝑘𝑙𝑜𝑟𝑜𝑓𝑦𝑙
)
(2)
Indsatsbehov for lyssvækkelsesindikatoren
Lyssvækkelses (Kd) indikatoren benyttes som en proxy for ålegræssets dybdegrænse [1]. Anvendelsen af Kd-indikatoren forudsætter et miljømål for Kd,
som kan beregnes ud fra de fastsatte miljømål for ålegræssets dybdegrænser.
Undersøgelser har vist, at ålegræs kan vokse, hvis den gennemsnitlige lysmængde ved bunden er mellem 11 % og 20 % af overfladeindstrålingen [13][16]. På baggrund af de eksisterende undersøgelser omsættes miljømål for
ålegræssets dybdegrænser til miljømål for Kd-indikatoren ved at forudsætte,
at lyset ved bunden på miljømålsdybdegrænsen er 14 % af overfladeindstrålingen. Kd-indikatoren er således et mål for ålegræssets potentielle dybdegrænse, dvs. den angiver dybden, hvor der er lys nok til, at der kan vokse
ålegræs. Det betyder dog ikke, at der vokser ålegræs på den dybde, selvom
der er tilstrækkeligt med lys, idet andre faktorer kan begrænse ålegræsudbredelsen. Kd indikatoren er inddelt i perioden marts-juni og juli-september
(Tabel 1) idet det ofte er forskellige faktorer, som er styrende for lysdæmpningen i hhv. foråret og sensommeren. Derfor er der også opstillet separate
modeller for de to perioder. Til beregning af N indsatsbehov er Kd indikatoren for efterårsperioden anvendt idet det oftest er N tilførslerne, som er mest
betydende i denne periode. Kd indikatoren skal opnå målopfyldelse i hele
perioden marts-september før ålegræs potentielt kan opnå dybdegrænser
svarende til måldybden og derfor benyttes samme miljømål for Kd indikatoren i begge perioder.
Ifølge modellerne er det for mange vandområder ikke muligt, på kort sigt, at
opnå lysforhold, som svarer til lysforholdene i en reference situation eller i
god tilstand, alene ved at regulere danske tilførsler fra land. Dette tages der
højde for i kvantificeringen af indsatsbehov, som bestemmes ved
16
kategorisering ud fra afstanden mellem status og miljømål, dvs. hvor langt
området er fra G-M tilstand samt på, hvor kraftigt Kd-indikatoren reagerer
overfor ændringer i N-tilførsel i det givne vandområde. Indsatsbehovet
kvantificeres på følgende måde under hensyntagen til Kd-indikatorens statusværdi og miljømål samt respons i forhold til ændringer i N tilførsel:
𝑎𝑓𝑠𝑡𝑎𝑛𝑑𝐾𝑑 = (
𝑠𝑡𝑎𝑡𝑢𝑠𝐾𝑑 − 𝑚𝑖𝑙𝑗ø𝑚å𝑙𝐾𝑑
1
)∙(
)
𝑠𝑡𝑎𝑡𝑢𝑠𝐾𝑑
ℎæ𝑙𝑑𝑛𝑖𝑛𝑔𝐾𝑑
𝑖𝑛𝑑𝑠𝑎𝑡𝑠𝑏𝑒ℎ𝑜𝑣𝐾𝑑
0,
0.25,
=
0.5,
{ 0.75,
𝑎𝑓𝑠𝑡𝑎𝑛𝑑𝐾𝑑 < 0.25
0.25 < 𝑎𝑓𝑠𝑡𝑎𝑛𝑑𝐾𝑑 ≤ 1.0
1.0 < 𝑎𝑓𝑠𝑡𝑎𝑛𝑑𝐾𝑑 ≤ 2.0
𝑎𝑓𝑠𝑡𝑎𝑛𝑑𝐾𝑑 > 2.0
(3)
Både brugen af Kd-indikatoren i stedet for ålegræssets dybdegrænse og kategoriseringen af indsatsbehov betyder, at der ikke nødvendigvis vil komme
ålegræs til måldybden, selvom den danske kvælstoftilførsel reduceres i overensstemmelse med de beregnede reduktionskrav.
4.3
Indsatsbehov for iltsvindsindikatorerne
Iltsvind har vidtrækkende negative effekter for et vandområde og vil påvirke både biogeokemien [24], områdets flora, herunder ålegræs [25] og fauna
[17]. Iltsvind opstår som følge af komplekse sammenspil mellem mængden
af dødt organisk stof, klimatiske forhold og vandområdets hydrografi. I kontekst af vandrammedirektivet er iltforholdene en støtteparameter, og der
findes ikke en interkalibreret indikator for ilt. Undersøgelser har vist, at både
flora og fauna påvirkes af lave iltkoncentrationer, men graden af påvirkning
afhænger både af, hvor lave iltkoncentrationerne er, hyppigheden og varigheden af iltsvind og af organismernes følsomhed. I Danmark betegnes det
som iltsvind, når koncentrationen af ilt i vandet er under 4 mg/L og som
kraftigt iltsvind, når koncentrationen er under 2 mg/L. Den anvendte iltsvindsindikator er et mål for andelen af tiden, hvor iltkoncentrationen er
under hhv. 4 mg/L og 2 mg/L.
Udover ved direkte iltmålinger kan iltsvind i mange tilfælde også detekteres
på de økologiske effekter, som iltsvind resulterer i. I iltsvindspåvirkede
vandområder vil lave iltkoncentrationer i bundvandet resultere i frigivelse af
næringssalte fra sedimenterne, hvilket kan give anledning til høje DIPkoncentrationer i vandfasen og i sensommeropblomstring af alger. Sæsonfordelingen af hhv. DIP og klorofyl kan derfor benyttes som indikatorer for,
om der er iltsvind i et vandområde. Da målingerne af ilt foretages med en
frekvens, som ikke nødvendigvis fanger kortvarige iltsvind, vil det i nogle
områder være muligt at detektere økologiske effekter af iltsvind, uden at der
direkte er målt iltsvind. På tilsvarende vis kan der forekomme kortvarige iltsvind, uden det resulterer i målbare økologiske effekter. Hvis én eller flere af
17
iltsvindsindikatorerne indikerer, at et vandområde er iltsvindsramt, fastsættes et indsatsbehov på 25 % af den nuværende TN-koncentration i vandområdet. Dette indsatsbehov er valgt ud fra, at det skal være tilstrækkeligt stort
til at rykke systemet, dvs. være større end de normale år-til-år variationer, og
det vurderes at en 25 % reduktion i TN-koncentrationen er minimumskrav
for at ændre systemet. Vandområdespecifikke relationer mellem N-tilførsel
og TN-koncentrationer benyttes til at beregne indsatsbehovet.
𝑠𝑡𝑎𝑡𝑢𝑠𝑇𝑁 −0.75 𝑠𝑡𝑎𝑡𝑢𝑠𝑇𝑁
1
) ∙ (ℎæ𝑙𝑑𝑛𝑖𝑛𝑔 )
𝑠𝑡𝑎𝑡𝑢𝑠𝑇𝑁
𝑇𝑁
𝑖𝑛𝑑𝑠𝑎𝑡𝑠𝑏𝑒ℎ𝑜𝑣𝑖𝑙𝑡 = 100 ∙ (
4.4
(4)
Indsatsbehov for N-begrænsningsindikatoren
Der kan kun forventes en effekt af N-reduktioner for klorofyl, såfremt kvælstof er begrænsende for algevækst i et vandområde. Hvis der er overskud af
uorganisk kvælstof (DIN) i vandfasen, vil reduktioner blot resultere i, at dette overskud mindskes og ikke nødvendigvis resultere i en nedsat primærproduktion i de frie vandmasser, dvs. reduktion i biomassen af fytoplankton.
Det er derfor nødvendigt, at et evt. overskud af kvælstof fjernes før en effekt
af reduktioner i kvælstoftilførsler kan forventes at slå fuldt igennem på klorofylindikatoren. N-begrænsningsindikatoren er et mål for antallet af dage i
et vandområde, hvor algevæksten er kvælstofbegrænset. Empiriske analyser
har vist, at algevæksten i kystnære havområder skal være kvælstofbegrænset
i minimum 150 dage, før der kan ses en signifikant sammenhæng mellem
klorofylkoncentrationer og kvælstofkoncentrationer (Fig 5).
Figur 5: Sammenhæng mellem klorofylkoncentration om sommeren og det
årlige antal dage med næringsstofbegrænsning i danske fjorde
Hvis N-begrænsningsindikatoren viser, at der ikke er tilstrækkelig grad af
N-begrænsning i et givent vandområde, benyttes vandområdespecifikke relationer mellem koncentrationer af TN og DIN til at beregne den nødvendige
reduktion i TN, som sikrer, at kvælstof bliver begrænsende i vandområdet.
Derefter benyttes relationer mellem N-tilførsel og TN til at beregne indsats18
behovet. Indsatsbehovet, som vil sikre, at et vandområde bliver kvælstofbegrænset i en grad, så der kan forventes en sammenhæng mellem klorofyl og
N tilførsler, er givet ved:
𝑠𝑡𝑎𝑡𝑢𝑠𝑇𝑁 −𝑚𝑖𝑙𝑗ø𝑚å𝑙𝑇𝑁
1
) ∙ (ℎæ𝑙𝑑𝑛𝑖𝑛𝑔 )
𝑠𝑡𝑎𝑡𝑢𝑠𝑇𝑁
𝑇𝑁
𝑖𝑛𝑑𝑠𝑎𝑡𝑠𝑏𝑒ℎ𝑜𝑣𝑁𝑏𝑒𝑔𝑟. = 100 ∙ (
(5)
Miljømålet for TN-koncentrationen, som sikrer, at algevæksten er tilstrækkeligt DIN-begrænset er bestemt ud fra:
1=
365 −𝑘∙𝑚𝑖𝑙𝑗ø𝑚å𝑙
𝑇𝑁
𝑒
𝑥
(6)
hvor k er en stationsspecifik konstant bestemt ved empiriske sammenhænge
mellem DIN-koncentration og TN-koncentrationer i hvert vandområde, og x
angiver antallet af dage, hvor der skal være N-begrænsning.
19
5
Samlet indsatsbehov for vandområderne
5.1
Kobling af indikatorer
De statistiske modeller er udviklet på baggrund af data fra moniteringsstationer. For de fleste vandområder er der kun en enkelt moniteringsstation
med tilstrækkelig datadækning til statistisk modellering, og derfor betragtes
denne station som repræsentativ for vandområdet. Vandområderne vil dog
indeholde rumlige gradienter og disse gradienter vil, sammen med placeringen af moniteringsstationen være afgørende for, hvor repræsentativ stationen - og dermed det beregnede indsatsbehov -er for vandområdet. For de
moniteringsstationer/vandområder, hvor der er opstillet statistiske modeller, beregnes det samlede indsatsbehov som et vægtet gennemsnit af indsatsbehovene for de enkelte indikatorer. Hvis det skulle sikres, at alle indikatorer opnåede deres miljømål skulle det maksimale indsatsbehov anvendes i
stedet for et gennemsnit af de beregnede indsatsbehov. Der er imidlertid en
række usikkerheder forbundet med beregning af indsatsbehov for de enkelte
indikatorer herunder usikkerhed på bestemmelse af indikatorerne statusværdi og miljømål samt i de modeludledte hældningskoefficienter. Ved at
anvende et gennemsnit af flere indikatorer, som alle er et mål for den økologiske tilstand, reduceres usikkerheden på beregningen af det samlede indsatsbehov, hvilket minimerer risikoen for overimplementering af indsatsbehovet. De interkalibrerede indikatorer vægter dobbelt så meget som de resterende indikatorer og sæsonfordelingsindikatorerne for DIP og Chl a, som
begge er indikatorer for om der er økologiske effekter af iltsvind betragtes
som én indikator, så der opereres i alt med fem indikatorer for hhv. klorofyl,
Kd, iltsvind, økologiske effekter af iltsvind og N-begrænsning, med en vægtning som fremgår af tabel 5.
Tabel 5: Vægtning af indikatorer til beregning af det samlede indsatsbehov for hvert vandområde
Klorofyl
Iltsvind
Kd
DIPog Chl a N- beIndikator
sæsonfordeling (iltsvindseffekt)
Vægt
2
1
1
grænsning
1
2
Hvis der kan beregnes et indsatsbehov for alle fem indikatorer vil det samlede indsatsbehov være:
𝑠𝑎𝑚𝑙𝑒𝑡 𝑖𝑛𝑑𝑠𝑎𝑡𝑠𝑏𝑒ℎ𝑜𝑣 = (2𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 + 2𝑋5 )/7
(7)
Hvor X1 til X5 er indsatsbehov for hhv. klorofyl, iltsvind, sæsonfordeling af
DIN og Chl a, N-begrænsning og Kd.
20
5.2
Gruppering af vandområder
I bl.a. Limfjorden har det været muligt at opstille modeller for flere moniteringsstationer i samme vandområde. I disse tilfælde er det samlede indsatsbehov beregnet for hvert delområde og dernæst grupperet på vandområdeniveau. Endvidere er der for Limfjorden taget højde for, at reduktioner i et
opstrøms vandområde vil betyde, at det beregnede indsatsbehov for det tilstødende nedstrøms vandområde kan reduceres.
Også i Bælthavet er der foretaget en gruppering af vandområderne, idet de
mere åbne og sammenhængende vandområder har stor vandudveksling.
Grupperingen mindsker usikkerheden på bestemmelse af indsatsbehov til
hele området og sikrer et mere ensartet indsatsbehov mellem sammenhængende vandområder med stor vandudveksling.
5.3
Resultater
I tabel 6 er vist de beregnede indsatsbehov for hver indikator og det samlede
indsatsbehov for de vandområder, hvor der er opstillet statistiske modeller.
Derudover er sammenhængende vandområder grupperet, og der er taget
højde for, at reduktioner i opstrømsvandområder kan influere på indsatsbehovet i tilstødende nedstrømsvandområder.
De beregnede indsatsbehov i tabel 6 indgår, sammen med indsatsbehov beregnet med metaanalyse (kap. 6, tabel 7) og indsatsbehov beregnet med de
mekanistiske modeller (beskrevet i del 2 [27]) i en samlet og endelig beregning af indsatsbehov for alle 119 danske marine vandområder (beskrevet i
del 1 [26]).
Tabel 6: Oversigt over indsatsbehov for de områder, hvor der er opstillet statistiske modeller. Tabellen
indeholder navn, vandområdenummer samt det beregnede indsatsbehov pr. indikator, som er nødvendigt, for at hver af de fem indikatorer (klorofyl, iltsvind, DIN-Chl a sæsonfordeling, Nbegrænsning og Kd) opnår deres miljømål. I næstsidste kolonne er angivet det samlede indsatsbehov
for hvert område beregnet som et vægtet gennemsnit af indsatsbehovet for de enkelte indikatorer. Endeligt er der foretaget en gruppering af indsatsbehov baseret på områdernes relative placering i forhold til hinanden.
Lokalitet
Vandomr.
nr.
N-indsatsbehov pr. indikator
(% af tilførsel i 2007-12)
Samlet indsatsbehov
pr. vandomr.
(% af tilførsler i 2007-12)
Afrundet og
grupperet
indsatsbehov
(% af tilførsler
i 2007-12)
Chl a
Iltsvind
DINChl a
Åbenrå Fjord
102
59*
79
0
NBegrænsning
Østjylland
6
Kd
75
50
50
Flensborg
Fjord
Horsens Fjord
(indre)
Horsens Fjord
(ydre)
113
51
67
0
16
75*
48
50
128
68
42
21
0
75
50
127
105
0
0
0
50
44
501
21
Kolding Fjord
124
92
0+
0+
24+
50*
44
45
Vejle Fjord
123
0*
0
0
0
50*
14
15
Mariager Fjord
(indre)
Randers Fjord
159
101+
70
35
40
25+
57
60
137
46*
0
34
20
25
28
30
25+
52
502
Thisted Bredning
Kås
156
97
49
Limfjorden
49
20
156
101
0
22
10
50
48
Løgstør Bredning
Nissum Bredning
Nibe
156
29
0
48
27
25
26
156
0
0
0
0
25
7
156
0
0+
33+
30+
50+
22
Riisgaarde
157
91*
68
34
20
50*
58
Skive Fjord
157
42
57
57
20
75
53
Lovns Bredning
157
44
30
30
20
75*
45
Isefjord
24
38
0
0
25
18
20
Roskilde Fjord
(indre)
Odense Fjord
(ydre)
Odense Fjord
(indre)
2
13
0
23
31
0
11
10
93
54
0
16
10
25
26
25
92
69*
0
12
37
75+
48
50
Århus Bugt
147
7*
0
0
0
2
0
Hjelm Bugt
44
19*
26
13
0
25*
18
20
Lillebælt
224
134
0
0
37
50
58
Storebælt
Fynshoved
Storebælt
Romsø
Sydfyn Lyø
96
46
0
65
0
25
30
96
103
0
0
0
50
44
216
66*
38
0
7
25*
32
Sydfyn Skarø
214
66*
39
0
11
50*
40
Ringkøbing
Fjord
132
39
0
30
75
38
Østdanmark
0
Åbne farvande
0
Vestdanmark
10
30 (0)3
20 (6)3
554
40
40
+ det har ikke været muligt at opstille en statistisk model, indsatsbehov beregnet med meta-model
* den opstillede statistiske model indeholder ikke N tilførsel som forklaringsvariabel, indsatsbehov beregnet med meta-model
1. Horsens inderfjord anses for dimensionsgivende for hele Horsens Fjord
2.Thisted Bredning er et relativt isoleret, iltsvindsramt område med et højere estimeret indsatsbehov end generelt for vandområde 156. Et særskilt indsatsbehov i Thisted forventes at medføre et reduceret indsatsbehov til den resterende del af vandområde 156.
3. Hvis de beregnede reduktioner til vandområde 157 og til Thisted Bredning implementeres, vil indsatsbehov for resten af
vandområde 156 kunne reduceres som angivet (i parentes).
4. Skive Fjord anses for dimensionsgivende for vandområde 157.
22
6
Meta-analyse
6.1
Generelle principper
For de vandområder, hvor der ikke er tilstrækkeligt med data til opstilling af
statistiske modeller, og områderne ikke er tilstrækkeligt velbeskrevet i den
dynamiske havmodel, anvendes en meta-analyse. Princippet i meta-analysen
er, at viden fra andre og tilsvarende vandområder, som er dækket af modeller, overføres til det område, hvor der ikke kan opstilles en vandområdespecifik model. Den underliggende antagelse er, at et meta-område vil respondere på ændring i næringsstoftilførsel på samme måde som lignende vandområder, og de modellerede sammenhænge mellem indikatorer og tilførsler
derfor kan overflyttes fra et område til et andet. Den overordnede metode
består i, at alle vandområderne, både dem, hvor der er opstillet statistiske
modeller og de områder, som ikke er dækket af modeller, inddeles i typer
karakteriseret ved graden af ferskvandpåvirkning. NSTs kystvandstypologi
[28], som indeholder et afstrømningsindeks i form af en relation mellem
ferskvandstilledningen og opholdstiden, anvendes til inddelingen. De områder, som ikke er dækket af modeller, falder generelt i kategorierne ”Åbne
fjorde/bugter, der er mindre ferskvandspåvirkede”, hvilket dækker fjordtyperne M1, M2, P1 og P2 i NSTs kystvandstypologi, og ”Fjorde, som er noget
ferskvandspåvirkede”, hvilket dækker over fjordtyperne M3, M4, P3 og P4 i
NSTs typologi. For hver af disse to grupperinger af vandområder beregnes
type-specifikke relationer (hældningskoefficienter) mellem indikatorer og tilførsel ud fra de modellerede vandområder af samme typologi. De typespecifikke hældningskoefficienter benyttes sammen med indikatorernes statusværdi i vandområderne og miljømål til beregning af indsatsbehov for
hver indikator:
𝑆𝑡𝑎𝑡𝑢𝑠−𝑀𝑖𝑙𝑗ø𝑚å𝑙
1
)∙(
)
𝑆𝑡𝑎𝑡𝑢𝑠
𝑡𝑦𝑝𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑘 ℎæ𝑙𝑑𝑛𝑖𝑛𝑔
𝐼𝑛𝑑𝑠𝑎𝑡𝑠𝑏𝑒ℎ𝑜𝑣 = 100 ∙ (
(8)
Metoden er således analog til den metode, der benyttes for vandområder,
hvor der er opstillet statistiske modeller, blot er den vandområdespecifikke
hældningskoefficient erstattet af en type-specifik hældningskoefficient.
Der laves kun meta-analyse for de områder, hvor der i perioden 2007-2012 er
tilstrækkeligt med data til, at der kan beregnes en statusværdi for både klorofyl- og Kd-indikatoren. Iltsvindsindikatoren kræver relativt hyppige målinger især i iltsvindsperioden, før det kan afgøres, at der ikke forekommer
iltsvind. I meta-analysen er det derfor antaget, at der ikke forekommer iltsvind, hvis de eksisterende iltmålinger viser, at der ikke forekommer lave
iltkoncentrationer (< 4 mg L-1) i perioden 2007-2012. De resterende indikatorer (sæsonfordelingen af DIP og Chl a samt N begrænsningsindikatoren) er
afhængige af målinger jævnt fordelt over hele året, hvilket sjældent er forekommende i de områder, som ikke er dækket af modeller. Disse indikatorer
er derfor ikke medtaget i analysen.
23
6.2
Resultater
I tabel 7 er vist indsatsbehov for de vandområder, hvor der er benyttet en
meta-analyse baseret på type-specifikke hældninger udledt fra de statistiske
modeller for vandområder med en tilsvarende typologi. I beregningerne af
indsatsbehovet indgår indikatorenes status og miljømål beregnet med data
fra de specifikke vandområder.
De beregnede indsatsbehov i tabel 7 indgår, sammen med indsatsbehov beregnet med de statistiske modeller (tabel 6) og indsatsbehov beregnet med
mekanistiske modeller (beskrevet i del 2 [27]) i en samlet og endelig beregning af indsatsbehov for alle 119 danske marine vandområder (beskrevet i
del 1 [26]).
Tabel 7: Oversigt over vandområder, hvor indsatsbehovet er beregnet med
en meta-analyse baseret på statistiske modeller.
Navn
Vandomr.
nr.
Basnæs Nor
Holsteinborg Nor
17
18
Karrebæk Fjord
35
Avnø Fjord
37
Præstø Fjord
47
Stege Nor
49
Nærå Strand
59
Dalby Bugt
61
Nakkebølle Fjord
63
Lindelse Nor
68
Kløven
72
Gamborg Fjord
80
Holckenhavn
Fjord
Kertinge Nor
83
Kerteminde Fjord
84
84
Helnæs Bugt
87
Als Fjord
103
Augustenborg
Fjord
Haderslev Fjord
105
Avnø Vig
108
Hejlsminde Nor
109
Norsminde Fjord
146
106
N-indsatsbehov pr. indikator
(% af tilførsel i 2007-2012)
Samlet
indsatsbehov
(% af tilførsel i
2007-2012)
Klorofyl
indikator
Iltsvinds
indikator
Kd
indikator
0
0
87
0
63
122
92
0
42
0
0
40
126
0
03
0
03
0
0
03
03
03
0
03
0
0
501
251
251
02
25
75
501
0
02
502
02
25
01
20
10
45
0
35
79
57
0
17
20
0
26
51
78
0
65
23
58
0
0
0
37
37
01
50
25
75
25
31
20
36
47
41
135
106
109
68
37
03
0
03
75
251
251
751
91
53
54
57
Ålegræssets målsatte dybdegrænse > vanddybde og miljømål for Kd beregnes i stedet
ud fra vanddybde
2 Status på K indikatoren > K beregnet ud fra status på ålegræssets dybdegrænse, dvs
d
d
den observerede dybdegrænse for ålegræs viser, at lysforholdende er bedre end K d målingerne indikerer. I disse tilfælde beregnes Kd status ud fra observerede ålegræs dybdegrænser.
3 Ingen indikation på lave iltkonc., men datakrav til iltsvindsindikator ikke opfyldt
1
24
7
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
Referencer
Duarte, C.M. (1991) Seagrass d epth lim its. A quatic Botany, 40:363-377
Markager, S. & L. Storm (2003) Miljøeffektvurd ering for H avm iljøet Del 1: Em pirisk m od ellering af m iljøtilstand en i d e åbne ind re farvand e. Report from Environm ental Assessm ent Inst itute, Denm ark.
Markager, S. & L. Storm (2003) Em pirisk m od ellering af sam m enhængen m ellem vand ets
klarhed og tilførsler af kvælstof og fosfor for Mariager Fjord. N otat til N ord jylland Am t.
Markager, S., L.M. Storm & C.A. Sted m on (2006) Lim fjord ens m iljøtilstand 1985 til 2003.
Sam m enhæng m ellem næringsstoftilførsler, klim a og hyd rografi belyst ved em piriske m od e ller. Report no. 577, N ational Environmental Research Institute, Denm ark. w w w .d m u.d k.
Markager, S., M. Bassom pierre, & D.L.J. Petersen. (2008) Analyse af m iljøtilstand en i Mariager
Fjord. Em pirisk m od ellering af m iljøtilstand en. Report no. 685, N ational Environmental Research
Institute, A arhus University http://www.dmu.dk/Pub/FR685.pdf
Søm od , B., S. Markager, M. Bassom pierre. (2009) Analyse af m iljøtilstand en i Rand ers Fjord
1989 – 2006. COWI-consult
Markager, S., M. Bassom pierre, & D.L.J. Petersen. (2010) Analyse af m iljøtilstand en i H orsens
Fjord. Em piriske m od eller. Report no. 733, N ational Environmental Research Institute, A arhus
University http://www.dmu.dk/Pub/FR733.pdf
H insby, K., S. Markager, B. Kronvang, J. Wind olf, T.O. Sonnenborg & L. Thorling (2012)
Threshold values and m anagem ent options for nutrients in a catchm ent of a tem perate est u ary w ith poor ecological status. Hydrology and Earth System Sciences: 16, 2663-2683.
d oi:10.5194/ hess-16-2663
Tim m erm ann, K., G.E. Dinesen, S. Markager, L. Ravn -Johnsen, M. Bassom pierre, E. Roth &
J.G. Støttrup. (2014) Developm ent and use of a bio-econom ic m od el for m anagem ent of m u ssel fisheries und er d ifferent nutrient regim es in the tem perate estuary Lim fjorden , Denm ark. .
Ecology and Society 19, (1) 14.
Lyngsgaard , M.M., S. Markager & K. Richard son (2014) Changes in the vertical d istribution of
prim ary prod uction in response to land -based N -load ing. Limnology and Oceanography 59, (5)
1679-1690.
Ped ersen, T.M., K. Sand -Jensen, S. Markager & S. L. N ielsen (2014) Optical changes in a eutrophic estuary d uring red uced nutrient load ings. Estuaries and Coast 37, 880-892.
Doi:10.1007/ s12237-013-9732-y
N otat om bestem m else af grænseværd ier for klorofyl (und er ud arbejd els e)
D. Krause‐Jensen and A. Mid delboe, (2000) “Eelgrass, Zostera m arina, grow th along d epth
grad ients: upper bound aries of the variation as a pow erful pred ictive tool,” Oikos, vol. 91, no.
2, pp. 233–244
S. L. N ielsen, K. Sand -Jensen, J. Borum , and O. Geertz-H ansen, (2002) “Dep th colonization of
eelgrass (Zostera m arina) and m acroalgae as d eterm ined by w ater transparency in Danish
coastal w aters,” Estuaries, vol. 25, no. 5, pp. 1025–1032
B. Olesen, (1996) “Regulation of light attenuation and eelgrass Zostera m arina d ept h
d istribution in a Danish em baym ent,” M ar. Ecol. Prog. Ser., vol. 134, pp. 187–194,
F. T. Short, D. M. Burd ick, and J. E. I. Kald y, “Mesocosm experim ents quantify the effects of
eutrophication on eelgrass, Zostera m arina,” Limnol. Oceanogr., vol. 40, no. 4, pp. 740–749,
1995.
Levin, L., Ekau, W., Good ay, A., Jorissen, F., Mid d elburg, J., N aqvi, S., N eira, C., Rabalais, N .,
Zhang, J., (2009). Effects of natural and hum an -ind uced hypoxia on coastal benthos.
Biogeosciences 6, 2063-2098.
Vaquer-Sunyer, R., Du arte, C. M., 2008. Threshold s of hypoxia for m arine biod iversity. PN A S
105, 15452-15457.
D. Conley and J. Carstensen, (2007) “Long-term changes and im pacts of hypoxia in Danish
coastal w aters,” Ecol. … , vol. 17, no. 5, p. 472
D. Conley, S. Markager, and J. And ersen, “Coastal eutrophication and the Danish national
aquatic m onitoring and assessm ent program ,” Estuaries, vol. 25, no. 4, pp. 848–861, 2002.
Ep pley, R.W., Thom as, W. H ., (1969). Com parison of H alf-Saturation Constants for Grow th
and Nitrate Uptake of Marine Phytoplankton. Journal of Phycology 5, 375-379
Eppley, R.W., Rogers, J.N., McCarthy, J.J. (1969), Half-saturation constants for uptake of nitrate and ammonium by marine phytoplankton Limnology and Oceanography 14: 6 912-920
Duarte, C.M., Marba, N., Krause-Jensen, D., Sanchez-Camacho, M., (2007). Testing the
predictive power of seagrass depth limit models. Estuaries and Coasts 30, 652-656
25
24. Pulido, C., Borum, J. (2010) Eelgrass (Zostera marina) tolerance to anoxia. Journal of
Experimental Marine Biology and Ecology 385, 8-13.
25. Middelburg, J. Levin, L. (2009) Coastal hypoxia and sediment biogeochemistry.
Biogeosciences 6, 1273-1293
26. Erichsen, A. E., Timmermann, K., Kaas, H., Markager, S., Christensen, J., and Murray, C.
(2014). Implementeringen af modeller til brug for vandforvaltningen. Modeller for Danske
fjorde og kystnære Havområder -Del 1. Metode til bestemmelse af målbelastning. DHI og
Aarhus Universitet
27. Erichsen, A. E. and Kaas, H. (2015). NST projektet "Implementeringen af modeller til brug for
vandforvaltningen". Modeller for Danske Fjorde og Kystnære Havområder – Del 2.
Mekanistiske modeller og metode til bestemmelse af indsatsbehov
28. Dahl, K., Andersen, J. H., Riemann, B., Carstensen, J., Christiansen, T., Krause-Jensen, D.,
Josefson, A. B., Larsen, M. M., Petersen, J. K., Rasmussen, M. B., and Strand, J. (2005).
Redskaber til vurdering af miljø- og naturkvalitet i de danske farvande. Typeinddeling,
udvalgte indikatorer og eksempler på klassifikation. No. 535 Danmarks Miljøundersøgelser
26